开发神经网络以识别三维 CAD 模型中的标准和特征
通过增加合成训练数据，使得含有 3D CAD 模型的深度卷积神经网络（DCNN）训练数据可以更好地适应目标领域，本文详细分析了在没有低级线索（纹理，姿态和背景）的情况下 DCNN 的学习能力，并表明我们的合成 DCNN 训练方法在几乎没有真实数据的情况下可以在 PASCAL VOC2007 数据集上获得更好的性能，并且可以在 Office 基准测试中的域偏移场景中提高性能。
Dec, 2014
使用深度学习方法将设计图纸转换为数字格式，以解决其在实体形式下的维护、存档和使用的困难，并通过对象检测模型、边缘检测算法、曲线检测技术和光学字符识别工具提高转换的准确性和效率，进而提高组织的生产力、促进协作并方便地保留有价值的设计信息。
Mar, 2024
本文提出了一种基于 3D Convolutional Neural Networks 和 Gradient-weighted Class Activation Mapping 的方法，能够解释 3D-CNN 的决策过程，并能够识别在对象内部感兴趣的本地特征，该框架可以扩展到多个空间尺度，为实时的制造可行性决策支持系统提供支持。
Nov, 2017
本文介绍了一种机器学习模型，该模型能够自动生成 CAD 模型中最具挑战性的 2D 草图，并为开发可帮助工程师更轻松创建更好的设计的智能工具铺平了道路。该方法结合了通用语言模型技术和现成的数据序列化协议，适应了领域的复杂性，并在无条件合成和图像转换为草图方面表现出良好的性能。
May, 2021
计算机辅助设计（CAD）模型生成是一项重要任务，提出了一种利用卷积神经网络、多视角池化和基于转换器的 CAD 序列生成器的网络架构，通过大量的模拟输入图片进行训练和优化，成功地从测试图像数据重建有效的 CAD 模型，并表明该网络的一些能力可以迁移到实际照片领域，然而目前可行的模型复杂度仍然受限于基本形状。
Sep, 2023
CAPRI-Net 是一种神经网络，可以通过自适应基元装配体的形式来学习三维计算机辅助设计模型的紧凑且可解释的隐式表示，可对提供为点云或体素网格的输入 3D 形状进行重构并通过构造实体几何 (CSG) 运算来获得齐次组合，该网络通过重建损失进行自监督，而不需要任何真实的形状装配。
Apr, 2021
这篇研究论文中介绍了如何利用深度学习系统及解释性人工智能方法，结合 NeuroCAD 环境实现对 CAD 模型的评估和识别，旨在开启黑匣子，并找出影响网络决策的几何特征，帮助设计师对装配工艺进行优化。
Jan, 2022
提出了基于 Transformer 的 CAD 生成模型，能够自动编码和随机生成 3D 形状，为此创建了一个包含 178,238 个模型的 CAD 数据集，并公开该数据集以促进未来的研究。
May, 2021